Un análisis revela que ningún sistema de monitoreo de presión arterial sin brazalete cuenta aún con validación clínica confiable.
Un equipo de investigadores de ETH Zúrich, la Universidad de Karolinska, la Universidad Khalifa y otras instituciones publicó una revisión sistemática y metaanálisis en npj Digital Medicine sobre los métodos de estimación de presión arterial sin brazalete basados en inteligencia artificial (IA). El trabajo analizó 86 estudios publicados entre 2017 y 2025 y concluyó que, pese a los avances tecnológicos, ningún sistema actual cumple con los criterios necesarios para ser considerado clínicamente validado.
La presión arterial elevada constituye un factor de riesgo modificable para las enfermedades cardiovasculares, principal causa de muerte en el mundo. Según datos citados en el estudio, de 1.5 millones de adultos evaluados en distintas regiones, 32% nunca se había medido la presión antes y 34% presentaba hipertensión, con un 41% de quienes la padecen sin saberlo. Ante este panorama, los dispositivos portátiles que utilizan fotopletismografía, electrocardiografía y otras señales fisiológicas surgieron como una alternativa para facilitar el monitoreo continuo fuera del consultorio médico.
Los autores propusieron una taxonomía de tres ejes para clasificar los métodos existentes según la relación entre la señal captada y el objetivo de estimación, el paradigma de modelado matemático y la estrategia de calibración utilizada. Bajo este esquema, identificaron tres categorías principales, los modelos derivados de hemodinámica, que usan biomarcadores como el tiempo de tránsito del pulso, los modelos de regresión basados en datos, que emplean aprendizaje automático o deep learning sobre características extraídas de las señales, y los modelos de reconstrucción de la onda de presión arterial, que generan la forma completa de la onda mediante arquitecturas de aprendizaje profundo.
El análisis encontró que 73% de los estudios revisados se enfocó en modelos de regresión basados en datos, mientras que apenas 11% abordó la reconstrucción de onda completa. En cuanto a las señales utilizadas, la fotopletismografía apareció en 70 de los 86 estudios, ya sea de manera individual o combinada con electrocardiografía, superando de forma consistente a los modelos basados únicamente en señales cardíacas eléctricas.
Uno de los hallazgos centrales del metaanálisis fue la elevada heterogeneidad entre los estudios. El error medio agrupado para la presión sistólica fue de 1.12 mmHg, con un intervalo de confianza de 95% entre 0.76 y 1.47, pero el índice de heterogeneidad alcanzó 98.8%, lo que indica que los resultados varían sustancialmente según el diseño de cada investigación. Los estudios que emplearon validación por sujeto, es decir, que evaluaron el modelo en personas distintas a las utilizadas para entrenarlo, mostraron un sesgo promedio de 0.81 mmHg, mientras que aquellos con validación por registro, más susceptibles a fuga de información entre los conjuntos de entrenamiento y prueba, presentaron un sesgo de 1.50 mmHg.
El equipo también desarrolló un marco de evaluación de riesgo de sesgo adaptado de las herramientas QUADAS-2 y PROBAST, aplicado a cinco dominios metodológicos. Ningún estudio de los 86 revisados alcanzó un riesgo bajo en el dominio de independencia de validación, y ninguno logró una calificación general de riesgo bajo, lo que refleja la ausencia de cohortes de validación externa completamente independientes con reporte metodológico exhaustivo.
Entre las limitaciones más señaladas se encuentra la escasa diversidad demográfica reportada en los estudios. Solo un trabajo documentó el tono de piel mediante la escala Fitzpatrick y únicamente dos reportaron la etnicidad de los participantes. El desempeño de los modelos fue estratificado por sexo en tres estudios, por edad en dos y por etapa de hipertensión en cinco, mientras que solo una investigación mencionó el estatus de medicación antihipertensiva de forma parcial. Ninguno de los 86 estudios reportó resultados de un modelo de referencia o comparación basal, lo cual dificulta determinar si el desempeño observado refleja realmente la contribución de las señales fisiológicas procesadas o simplemente el promedio poblacional de presión arterial.
A partir de estos hallazgos, los investigadores propusieron una herramienta denominada BP-Card, inspirada en las llamadas tarjetas de modelo utilizadas en otros campos de la inteligencia artificial. Este marco de reporte estandarizado busca que los estudios futuros documenten de manera uniforme el propósito clínico del modelo, las características del conjunto de datos, la estrategia de validación y los resultados de desempeño, tanto para métodos con calibración como sin ella.
Los autores concluyeron que la principal barrera para la adopción clínica de estos sistemas no es la falta de avances algorítmicos, sino la inconsistencia en el reporte de las condiciones de validación y la escasa representación de poblaciones diversas en los conjuntos de datos utilizados. Advirtieron también que la mayoría de los estudios se realizó en condiciones clínicas controladas, mientras que las evaluaciones verdaderamente ambulatorias, que representan el escenario de uso real de estos dispositivos, siguen siendo escasas.
